企业官网建设流程全解析

简介：这份资源是面向高校学生与初学者的光伏功率预测实战项目，基于Python与机器学习方法，解决光伏发电功率的短期预测问题，适合用作毕业设计、期末大作业或课程设计的高分参考方案。压缩包共16个文件，约4.64MB，包含8个csv训练与测试数据集、4个py核心脚本、1个ipynb交互式笔记本、1个md说明文档、1个docx任务说明及gitignore配置，覆盖数据加载、预处理、模型训练与预测的完整流程。代码附有详细注释，新手也能看懂，下载后简单部署即可运行。项目围绕DC_PV_Power_Predict_2018数据集展开，提供多组训练与测试样本，便于对比不同机器学习模型的预测效果，并配有任务说明文档帮助理解实验目标与评估指标。目前已有316人学习下载，适合希望快速掌握光伏功率预测建模思路、需要完整可运行代码与数据支撑的读者参考使用。

1. 光伏功率预测项目到底在做什么：从「靠天吃饭」到可复现的机器学习流水线

光伏电站最头疼的不是组件效率，而是出力忽高忽低——云飘过来功率掉一半，云走了又猛冲，电网调度最怕这种「过山车」。光伏功率预测要解决的就是这件事：用历史发电数据加气象数据，训练一个模型，提前预测未来一段时间电站能发多少电。超短期光伏功率预测通常指未来 0～4 小时、分辨率 15 分钟级别的预测，这个尺度上云层移动是主导因素，也是机器学习最能发挥价值的地方。

这个标题里的「Python 基于机器学习的光伏功率预测项目源码+训练数据+测试数据」，本质是一套完整的监督学习工程：输入是历史功率、辐照度、温度、湿度、风速等特征，输出是未来时刻的功率值。它适合三类人：想找一个真实时序回归项目练手的机器学习入门者、需要给电站做功率预测基线方案的工程人员、以及想理解「数据清洗→特征工程→模型训练→评估」全链路的学生。下面我按自己搭这套流水线的顺序，把每一步的参数、坑和验证方法讲清楚。

2. 数据准备与特征工程：训练数据决定模型上限

2.1 训练数据和测试数据怎么切分才不泄漏

光伏功率预测是典型时序问题，很多人第一反应是train_test_split随机切分，这是最常见的翻车点。随机切分会让未来数据混进训练集，模型在测试集上表现虚高，上线后直接崩。正确做法是按时间顺序切：前 80% 做训练，后 20% 做测试，中间留一段 gap 避免相邻时刻泄漏。

import pandas as pd import numpy as np # 读取训练数据，假设列包含 timestamp, power, irradiance, temp, humidity, wind_speed df = pd.read_csv("pv_train.csv", parse_dates=["timestamp"]) df = df.sort_values("timestamp").reset_index(drop=True) # 按时间顺序切分，前80%训练，后20%测试 split_idx = int(len(df) * 0.8) train_df = df.iloc[:split_idx].copy() test_df = df.iloc[split_idx:].copy() # 检查时间是否有重叠 assert train_df["timestamp"].max() < test_df["timestamp"].min(), "时间顺序切分错误" print(f"训练集 {len(train_df)} 条，测试集 {len(test_df)} 条")

这段代码的关键是sort_values加iloc顺序切分，assert那行是后悔药，防止后续改动把顺序打乱。参数上 80/20 是常见起点，如果数据量少于 5000 条，可以调到 70/30，但绝不能随机打乱。

2.2 特征工程：辐照度和历史功率是两大主力

光伏功率的核心驱动因素是辐照度，其次是组件温度和历史功率的滞后项。原始数据里往往只有总辐照度，需要拆出直射和散射，或者至少做归一化。时间特征也很关键：小时、月份、太阳高度角。下面是我常用的特征构造脚本。

def build_features(df): df = df.copy() # 时间特征 df["hour"] = df["timestamp"].dt.hour df["month"] = df["timestamp"].dt.month df["dayofyear"] = df["timestamp"].dt.dayofyear # 周期编码，避免23点和0点距离被拉大 df["hour_sin"] = np.sin(2 * np.pi * df["hour"] / 24) df["hour_cos"] = np.cos(2 * np.pi * df["hour"] / 24) # 历史功率滞后特征，注意用shift避免未来信息 df["power_lag1"] = df["power"].shift(1) df["power_lag4"] = df["power"].shift(4) # 15分钟粒度下约1小时前 df["power_roll_mean4"] = df["power"].shift(1).rolling(4).mean() # 辐照度与温度交互 df["irradiance_temp"] = df["irradiance"] * df["temp"] df = df.dropna().reset_index(drop=True) return df train_feat = build_features(train_df) test_feat = build_features(test_df)

shift(1)是防止标签泄漏的生命线，所有滞后特征必须先移位再计算。hour_sin和hour_cos解决的是周期特征的「23 点和 0 点明明相邻，数值却差 23」问题。power_roll_mean4用 4 个 15 分钟点做滑动平均，相当于 1 小时趋势。参数上滞后阶数根据数据粒度定：15 分钟粒度用 1、4、96（一天）；1 小时粒度用 1、3、24。

注意：如果训练数据里夜间功率全为 0，不要直接删掉，夜间样本能帮助模型学会「无辐照度则无功率」的边界，删了反而容易在清晨黄昏时段预测出负值。

3. 模型选型与训练：从 LightGBM 基线到 LSTM 对比

3.1 为什么先用 LightGBM 而不是直接上深度学习

光伏功率预测的数据量通常在几万到几十万条，这个规模下梯度提升树（LightGBM/XGBoost）往往比 LSTM 更稳、更快、更好调。树模型对缺失值和异常值鲁棒，特征重要性可解释，训练一次几分钟。我一般先用 LightGBM 跑一个基线，把 RMSE 和 MAPE 记下来，再决定要不要上深度学习。如果基线 MAPE 已经低于 8%，深度学习提升空间有限，不值得投入调参成本。

import lightgbm as lgb from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error feature_cols = ["irradiance", "temp", "humidity", "wind_speed", "hour_sin", "hour_cos", "month", "dayofyear", "power_lag1", "power_lag4", "power_roll_mean4", "irradiance_temp"] X_train = train_feat[feature_cols] y_train = train_feat["power"] X_test = test_feat[feature_cols] y_test = test_feat["power"] model = lgb.LGBMRegressor( n_estimators=800, learning_rate=0.05, num_leaves=63, max_depth=8, min_child_samples=20, subsample=0.8, colsample_bytree=0.8, reg_alpha=0.1, reg_lambda=0.1, random_state=42 ) model.fit(X_train, y_train, eval_set=[(X_test, y_test)], eval_metric="rmse", callbacks=[lgb.early_stopping(50)]) pred = model.predict(X_test) rmse = mean_squared_error(y_test, pred, squared=False) mape = mean_absolute_percentage_error(y_test + 1e-6, pred + 1e-6) print(f"RMSE={rmse:.2f}, MAPE={mape:.4f}")

参数说明：n_estimators=800配合early_stopping(50)让模型自己决定何时停；num_leaves=63控制复杂度，光伏数据噪声大，叶子太多容易过拟合；learning_rate=0.05是精度和速度的平衡点；subsample和colsample_bytree都设 0.8 做行采样和列采样，进一步抗过拟合。MAPE 计算时加1e-6是防止夜间功率为 0 导致除零。

3.2 LSTM 什么时候值得上：序列长度和输入维度怎么定

当你有至少一年的 15 分钟粒度数据（约 3.5 万条），并且希望模型自动捕捉时序依赖时，LSTM 或 GRU 值得一试。关键参数是序列长度seq_len：太短抓不到趋势，太长训练慢且容易梯度消失。光伏场景下我一般用 96（一天）或 192（两天）。输入维度是特征数，输出是单步功率。

import torch import torch.nn as nn class PVLSTM(nn.Module): def __init__(self, input_dim, hidden_dim=64, num_layers=2, dropout=0.2): super().__init__() self.lstm = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True, dropout=dropout) self.fc = nn.Linear(hidden_dim, 1) def forward(self, x): # x: (batch, seq_len, input_dim) out, _ = self.lstm(x) out = out[:, -1, :] # 取最后一个时间步 return self.fc(out).squeeze(-1) def make_sequences(features, targets, seq_len=96): xs, ys = [], [] for i in range(len(features) - seq_len): xs.append(features[i:i+seq_len]) ys.append(targets[i+seq_len]) return np.array(xs), np.array(ys) # 标准化后再构造序列，避免量纲影响 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() X_all = scaler.fit_transform(train_feat[feature_cols]) y_all = train_feat["power"].values X_seq, y_seq = make_sequences(X_all, y_all, seq_len=96) print(X_seq.shape) # (样本数, 96, 特征数)

hidden_dim=64和num_layers=2是中小规模数据的稳妥起点，dropout=0.2防过拟合。make_sequences里targets[i+seq_len]表示用前 96 步预测第 97 步，这是单步预测；如果要预测未来 4 小时（16 步），把输出改成nn.Linear(hidden_dim, 16)并调整标签切片。标准化必须在构造序列之前做，且 scaler 只能 fit 训练集，再 transform 测试集，否则又是泄漏。

提示：LSTM 训练时如果 loss 震荡不降，先检查序列构造有没有把测试集数据混进训练序列，再检查学习率是否超过 1e-3。

4. 评估与调参：RMSE、MAPE 和「晴天/多云」分场景看

4.1 别只看一个总体指标，分天气类型评估

光伏预测最容易骗自己的地方是：总体 MAPE 很好看，一到多云天就崩。因为晴天功率曲线平滑，模型随便拟合都能对；多云天功率剧烈波动，才是真正考验。我一般把测试集按天气类型（晴、多云、阴雨）分组，分别算 RMSE 和 MAPE，如果多云天 MAPE 超过 15%，说明模型对波动捕捉不够，需要加辐照度变化率特征或换模型。

# 假设 test_feat 里有 weather_type 列：0晴 1多云 2阴雨 for wt in [0, 1, 2]: mask = test_feat["weather_type"] == wt if mask.sum() == 0: continue rmse_wt = mean_squared_error(y_test[mask], pred[mask], squared=False) mape_wt = mean_absolute_percentage_error(y_test[mask] + 1e-6, pred[mask] + 1e-6) print(f"天气类型{wt}: 样本{mask.sum()}, RMSE={rmse_wt:.2f}, MAPE={mape_wt:.4f}")

这段代码的价值在于暴露短板。如果多云天样本太少，模型学不好，可以考虑对多云样本过采样，或者在损失函数里给多云样本更高权重。参数上，分组阈值按业务定：装机容量 10MW 以下，RMSE 控制在 1MW 以内算合格；MAPE 总体低于 10%、多云天低于 18% 是可以接受的基线。

4.2 调参顺序：先树模型后网络，先学习率后复杂度

调参不要一上来就网格搜索，浪费时间。我的顺序是：先固定一组合理默认值跑通，再按「学习率 → 树数量/层数 → 正则化 → 特征」的顺序调。LightGBM 里learning_rate从 0.1 降到 0.05 通常能涨 1～2 个点，但训练时间翻倍；num_leaves从 31 加到 63 可能过拟合，要看验证集 RMSE 是否同步下降。LSTM 里先调seq_len（96 vs 192），再调hidden_dim（64 vs 128），最后加 dropout。

# 简单的学习率对比，不要用 GridSearchCV 全量搜 for lr in [0.1, 0.05, 0.02]: m = lgb.LGBMRegressor(n_estimators=1000, learning_rate=lr, num_leaves=63, random_state=42) m.fit(X_train, y_train, eval_set=[(X_test, y_test)], eval_metric="rmse", callbacks=[lgb.early_stopping(50)]) p = m.predict(X_test) print(f"lr={lr}, RMSE={mean_squared_error(y_test, p, squared=False):.2f}")

这种单变量扫描比网格搜索快得多，也更容易看出趋势。如果 lr=0.05 和 0.02 的 RMSE 差距小于 1%，就选 0.05，省训练时间。

5. 避坑与排查：光伏功率预测里最容易翻车的 5 件事

5.1 现象：测试集 MAPE 只有 3%，上线后误差翻倍

原因：随机切分导致时间泄漏，或者标准化时用了全量数据 fit。解决：改成时间顺序切分，scaler 只在训练集 fit，测试集 transform。检查方法是看训练集和测试集的时间戳是否有重叠。

5.2 现象：模型在夜间预测出负功率

原因：回归模型没有输出约束，夜间样本少或特征区分度不够。解决：在预测后加np.clip(pred, 0, capacity)，或者在训练时对夜间样本加权。更彻底的做法是加一个「是否白天」的二分类特征。

5.3 现象：LSTM 训练 loss 不降，RMSE 比 LightGBM 还差

原因：序列构造时把不同天的数据连在一起，跨天边界产生虚假时序；或者学习率太大。解决：构造序列时按天分组，每天单独滑窗，不要跨天拼接；学习率从 1e-3 降到 1e-4 试。

5.4 现象：特征重要性里power_lag1一家独大，其他特征几乎没用

原因：滞后特征太强，模型直接抄昨天同一时刻的值，没有学到气象关系。解决：做消融实验，去掉power_lag1看 RMSE 涨多少；如果涨得不多，说明模型确实在偷懒，需要加更多气象特征或改用能捕捉长期依赖的模型。

5.5 现象：训练数据里缺失值填 0 后，模型在缺失时段预测异常

原因：光伏夜间功率本来就是 0，但白天缺失填 0 会被模型当成「真实出力为 0」，学出错误模式。解决：缺失值用前后时刻插值，或者加一个「是否缺失」的指示特征，让模型自己判断。

注意：这 5 条里第 1 条和第 3 条最隐蔽，建议每次改完数据管道都重新跑一遍时间戳检查和序列边界检查。

6. 把模型用起来：滚动预测和「预测-校正」闭环

训练完模型不是终点，真正落地要做滚动预测：每 15 分钟用最新实测数据更新输入，预测未来 4 小时，然后等真实值回来做校正。我一般会维护一个误差缓冲区，如果连续 3 个点预测偏差超过 20%，就触发模型重新校准或切换备用模型。下面是一个简化的滚动预测骨架。

def rolling_forecast(model, scaler, history_df, feature_cols, seq_len=96, horizon=16): """history_df: 最近 seq_len 条真实数据，horizon: 预测步数""" preds = [] buf = history_df[feature_cols].values.copy() for step in range(horizon): x = scaler.transform(buf[-seq_len:]).reshape(1, seq_len, -1) with torch.no_grad(): p = model(torch.tensor(x, dtype=torch.float32)).item() preds.append(p) # 用预测值填充下一步输入（递归预测），实际中可用气象预报替代 next_row = buf[-1].copy() next_row[feature_cols.index("power_lag1")] = p buf = np.vstack([buf, next_row]) return preds

这段代码是递归多步预测的简化版，horizon=16对应 4 小时。实际工程里不会用预测值填power_lag1，而是用数值天气预报的辐照度预报来驱动，否则误差会累积。校正环节可以用一个简单的线性回归做残差修正：把最近 24 小时的预测误差和真实值拟合一个修正系数，加到下一步预测上。

我自己的习惯是：每次换数据集或换电站，先跑一遍 LightGBM 基线，把分天气 MAPE 记在笔记本上，再决定要不要上 LSTM。这个基线数字就是后续所有优化的参照系，没有它，调参就是玄学。希望帮到你。

本文还有配套的精品资源，点击获取